CN108616838A - 基于卡尔曼滤波算法的农业大棚数据融合处理方法 - Google Patents
基于卡尔曼滤波算法的农业大棚数据融合处理方法 Download PDFInfo
- Publication number
- CN108616838A CN108616838A CN201810405687.5A CN201810405687A CN108616838A CN 108616838 A CN108616838 A CN 108616838A CN 201810405687 A CN201810405687 A CN 201810405687A CN 108616838 A CN108616838 A CN 108616838A
- Authority
- CN
- China
- Prior art keywords
- formula
- state
- data
- equation
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/16—Gateway arrangements
Abstract
本发明的基于卡尔曼滤波算法的农业大棚数据融合处理方法,包括:a).数据采集和上传;b).建立状态方程;c).建立节点观测方程;d).建立时间和状态更新方程;e).进一步预测;f).获取最优估计值;g).测量值获取。本发明的基于卡尔曼滤波算法的农业大棚数据融合处理方法,由于农业生产环境中需要监测的环境因素较多,为了保证农作物健康的生长,对于环境因素的精度要求也比较高,利用卡尔曼滤波算法来进行农业大棚内环境参数数据的融合处理,能够监测到更加稳定、精度更高的数据结果,能够让生产者良好的掌握农作物当前的生长环境并且做出响应的调整,在农业大棚生产中可以广泛使用。
Description
技术领域
本发明涉及一种数据融合处理方法,更具体的说,尤其涉及一种基于卡尔曼滤波算法的农业大棚数据融合处理方法。
背景技术
农作物的生长与环境条件的关系是非常密切的,对其生长环境的各项数据进行有效控制,能够使农作物健康的生长,提高农作物的产量。将物联网技术应用在农业生产当中,实现了农业生产信息化的管理,改变了传统的农业生产管理模式,保证了农产品的质量,实现了农业生产的现代化。在无线传感网络中,物联网技术以节点的方式分布在农业生产环境的各个角落,整个信息监测系统应用各类传感器对农作物生长环境的温度、湿度、光照强度以及二氧化碳等参数数据进行采集和分析。
农业物联网的数据信息量非常大,无线传感器网络中的节点对数据的处理能力有限,所以对农业物联网的数据进行融合是非常重要的。数据融合技术能够将得到的复杂的数据重新整合使其简单化,并且生成对使用者有利的数据。对于数据融合算法的研究是建立在无线传感器网络中的,数据融合技术可以大量减少数据的冗余度,提高数据采集的效率和数据信息传输的准确度。
发明内容
本发明为了克服上述技术问题的缺点,提供了一种基于卡尔曼滤波算法的农业大棚数据融合处理方法。
本发明的基于卡尔曼滤波算法的农业大棚数据融合处理方法,农业大棚中设置有采集农作物生长环境参数的无线传感网络,无线传感网络由汇聚节点(3)、ZigBee协调器(4)、控制网关(5)以及多个传感器(1)组成,每个传感器连接有一个终端节点(2),传感器包括检测空气温湿度、土壤温湿度、二氧化碳浓度和光照强度的传感器,终端节点和汇聚节点形成ZigBee无线自组网,以便将获取的环境参数经ZigBee协调器传输至控制网关,控制网关实现上位机与无线传感网之间的协议转换并将获取的环境参数数据上传;其特征在于,所述数据融合处理方法通过以下步骤来实现:
a).数据采集和上传,终端节点将传感器采集的空气温度、空气湿度、二氧化碳浓度、土壤温度、土壤湿度和光照强度数据传输至汇聚节点,由汇聚节点经ZigBee协调器传输至控制网关,再由控制网关将环境参数上传至上位机;
b).建立状态方程,上位机建立如公式(1)所示的离散线性系统状态方程:
Xk=AXk-1+BUk+Wk (1)
式中,Xk为系统在k时刻的系统状态变量,Xk-1为k-1时刻的系统状态变量;Uk为k时刻的系统控制量,Wk为系统的过程噪声,A和B是系统参数;
c).建立节点观测方程,上位机建立如公式(2)所示的终端节点观测方程:
Zk=HXk+Vk (2)
式中,Zk是K时刻的测量值,H是测量系统的参数,Vk是系统的测量噪声;
d).建立时间和状态更新方程,上位机建立如公式(3)和公式(4)所示的卡尔曼滤波器的时间更新方程:
Pk,k-1=APk-1+Q (4)
式中,是状态Xk的一步预测值,是状态Xk-1的状态估计值,Pk,k-1是的Xk,k-1的协方差,Pk-1是状态Xk-1的协方差,Q是系统的过程噪声Wk和测量噪声Vk的协方差;
建立如公式(5)所示的卡尔曼滤波器的状态更新方程:
式中,是Xk的状态估计值,Kgk是卡尔曼增益,其通过公式(6)和公式(7)联合求取:
Kgk=Pk,k-1H/(HPk,k-1+R) (6)
Pk=(1-KgkH)Pk,k-1 (7)
其中,R为误差方差的平均值,Pk为状态Xk的方差;
e).进一步预测,根据系统的状态方程对一步预测值进行预测,则状态一步预测值为:
的协方差可以表示为:
式中,为对应的协方差;
f).获取最优估计值,将观测方程与状态一步预测值方程进行结合,得到k时刻的系统状态最优估计值Xk,k:
Xk,k=Xk,k-1+Kgk[Z(k)-HXk,k-1] (10)
g).测量值获取,上位机将接收的空气温湿度、土壤温湿度、二氧化碳浓度或光照强度数据,采用步骤b)至f)步骤获取当前时刻k的预测值,并比较预测值与测量值的大小,如果两者之差小于设定阈值,则采用测量值作为k时刻实际值;如果两者之差大于设定阈值,则采用预测值作为k时刻实际值,以避免系统误差、干扰信号对测量结果造成的不利影响。
本发明的基于卡尔曼滤波算法的农业大棚数据融合处理方法,为了使卡尔曼滤波算法可以不断运行迭代下去,在每次迭代过程中通过公式(11)更新当前k时刻下Xk,k的协方差Pk,k:
Pk,k=[I-KgkH]Pk,k-1 (11)
式中,I为单位矩阵,当系统进入下一时刻时,Pk,k便成为公式(9)中的Pk-1,k-1,这样卡尔曼滤波就可以不断的迭代下去了。
本发明的基于卡尔曼滤波算法的农业大棚数据融合处理方法,系统参数A和B均取为1,X0取0,P0取1。
本发明的有益效果是:本发明的基于卡尔曼滤波算法的农业大棚数据融合处理方法,在农业大棚信息监测系统的基础上,将信息监测系统中温度传感器采集到的各种数据进行融合处理,由于农业生产环境中需要监测的环境因素较多,为了保证农作物健康的生长,对于环境因素的精度要求也比较高,利用卡尔曼滤波算法来进行农业大棚内环境参数数据的融合处理,能够监测到更加稳定、精度更高的数据结果,能够让生产者良好的掌握农作物当前的生长环境并且做出响应的调整,在农业大棚生产中可以广泛使用。
附图说明
图1为本发明的农业大棚中所设置的无线传感网络的原理图;
图2为平均值方法的融合结果与卡尔曼滤波算法的融合结果的比较图。
图中:1传感器,2终端节点,3汇聚节点,4ZigBee协调器,5控制网关,6上位机。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示,给出了本发明的农业大棚中所设置的无线传感网络的原理图,其由传感器1、终端节点2、汇聚节点3、ZigBee协调器4、控制网关5和上位机6组成,所示的传感器的数量为多个,分别用于检测空气温湿度、土壤温湿度、二氧化碳浓度和光照强度。每个传感器1连接有一个终端节点2,终端节点获取每个传感器的检测数据,并将数据上传至汇聚节点。终端节点2与汇聚节点3组成ZigBee无线自组网,以便汇聚节点3将接收的数据进行转发。控制网关5连接有ZigBee协调器4,以便通过ZigBee协调器4接收汇聚节点3上传的环境参数数据。控制网关5实现ZigBee网络与GPRS网络的协议转换,以便将环境参数数据上传至上位机6。
数据融合技术是一种使用计算机在一定规则下对信息进行处理的技术,它能够自动整理和分析获得的监测信息。根据与被测对象之间的关系,可将数据融合的实现过程分为:数据级数据融合、特征级数据融合和决策级数据融合三个层次。
数据级数据融合接收到的是最原始的采集数据,首先针对原始数据做出初步处理方案,处理的同时也会将这些数据进行综合和分析。所以数据级融合既对原始数据进行直接分析也对其做出相应的方案,分析后的原始数据进行综合处理并作为第一步的融合也就是最底层融合。由于有些数据量大且耗时长,所以对融合结果的特征提取和预判通常不在数据级进行。此类融合方法通常应用在对融合精度要求较高的环境当中,此类方法需要对目标数据进行实时监测。
特征级数据融合属于中间的融合级别,主要是对采集到的原始数据的特征值进行提取,随后将特征值进行分析和处理。这一处理过程不是直接对采集到的信息进行处理,而是将所有采集到的数据变为对应目标的特征值,然后将得到的特征值传送到下一步骤,在下一过程中便可以通过特征值来对数据进行整理和分析。特征级数据融合既能综合分析初始数据,又能对数据进行压缩,从而极大的减少了数据量,提高了数据的处理效率。特征级数据融合是数据融合处理技术的关键一步,此过程能对所有采样数据进行分类,然后对某一数据的某一关键部分进行信息提取,最后对该组信息进行重新融合,得到了简短的融合结果。
决策级数据融合属于顶层的融合级别,它会在将数据融合的同时做出决策性的评判。它只接收已经被处理过的中间决策结果,然后再将其通过更高级别的数据关联进行整合,并且在一定的决策基础上进行综合的评判。决策级数据融合的处理方法是被使用最多的一种方法,通常将其应用在对精度要求相对较低的环境当中,通常是不同类型的传感器节点间的数据融合。
本发明的基于卡尔曼滤波算法的农业大棚数据融合处理方法,通过以下步骤来实现:
a).数据采集和上传,终端节点将传感器采集的空气温度、空气湿度、二氧化碳浓度、土壤温度、土壤湿度和光照强度数据传输至汇聚节点,由汇聚节点经ZigBee协调器传输至控制网关,再由控制网关将环境参数上传至上位机;
b).建立状态方程,上位机建立如公式(1)所示的离散线性系统状态方程:
Xk=AXk-1+BUk+Wk (1)
式中,Xk为系统在k时刻的系统状态变量,Xk-1为k-1时刻的系统状态变量;Uk为k时刻的系统控制量,Wk为系统的过程噪声,A和B是系统参数;
c).建立节点观测方程,上位机建立如公式(2)所示的终端节点观测方程:
Zk=HXk+Vk (2)
式中,Zk是K时刻的测量值,H是测量系统的参数,Vk是系统的测量噪声;
d).建立时间和状态更新方程,上位机建立如公式(3)和公式(4)所示的卡尔曼滤波器的时间更新方程:
Pk,k-1=APk-1+Q (4)
式中,是状态Xk的一步预测值,是状态Xk-1的状态估计值,Pk,k-1是的Xk,k-1的协方差,Pk-1是状态Xk-1的协方差,Q是系统的过程噪声Wk和测量噪声Vk的协方差;
建立如公式(5)所示的卡尔曼滤波器的状态更新方程:
式中,是Xk的状态估计值,Kgk是卡尔曼增益,其通过公式(6)和公式(7)联合求取:
Kgk=Pk,k-1H/(HPk,k-1+R) (6)
Pk=(1-KgkH)Pk,k-1 (7)
其中,R为误差方差的平均值,Pk为状态Xk的方差;
e).进一步预测,根据系统的状态方程对一步预测值进行预测,则状态一步预测值为:
的协方差可以表示为:
式中,为对应的协方差;
f).获取最优估计值,将观测方程与状态一步预测值方程进行结合,得到k时刻的系统状态最优估计值Xk,k:
Xk,k=Xk,k-1+Kgk[Z(k)-HXk,k-1] (10)
g).测量值获取,上位机将接收的空气温湿度、土壤温湿度、二氧化碳浓度或光照强度数据,采用步骤b)至f)步骤获取当前时刻k的预测值,并比较预测值与测量值的大小,如果两者之差小于设定阈值,则采用测量值作为k时刻实际值;如果两者之差大于设定阈值,则采用预测值作为k时刻实际值,以避免系统误差、干扰信号对测量结果造成的不利影响。
为了使卡尔曼滤波算法可以不断运行迭代下去,在每次迭代过程中通过公式(11)更新当前k时刻下Xk,k的协方差Pk,k:
Pk,k=[I-KgkH]Pk,k-1 (11)
式中,I为单位矩阵,当系统进入下一时刻时,Pk,k便成为公式(9)中的Pk-1,k-1,这样卡尔曼滤波就可以不断的迭代下去了。
通过观察迭代公式我们可以得知,卡尔曼滤波的计算过程相对简单,迭代过程中只需储存前一时刻的参数便可直接进行计算,占用的储存空间非常少。在温室环境存在干扰较多的情况下,数据预处理后进行卡尔曼滤波算法可以有效去除采集数据中系统噪声和传感器测量噪声的影响,直接准确的测试到温室被测参数的真实值。
为了说明本发明的基于卡尔曼滤波算法的农业大棚数据融合处理方法的合理性,下面给出了具体的实验数据,将10个温度传感器分别编号并分散的分布在大棚中的不同区域,测量同一时间段的温度值,选取每个传感器测量的数据制成表格,如表2所示。
表1
在对系统进行卡尔曼滤波前,必须先对所有参数进行初始化,系统参数A和B均取为1,X0取0,P0取1。R的值取每列的观测误差方差的平均值。Q为全局过程误差,且假设其不随系统的变化而变化,将k-1时刻与k时刻的误差均方根表示为中间过程误差,然后再计算出每列中间过程误差,求出它们的平均值,将这个平均值作为全局过程误差Q的值。将求平均值方法的融合结果与卡尔曼滤波算法的融合结果进行比较,得到如图2对所示的比结果:从图2结果对比可以看出,当系统稳定运行时,求平均值法得到的曲线波动相对较大,结果不是很稳定。而利用卡尔曼滤波算法融合得到的温度值曲线要更加平滑,融合结果也趋于平稳,测量值的结果更加准确,融合的精度显著提高。
本发明的基于卡尔曼滤波算法的农业大棚数据融合处理方法,利用卡尔曼滤波算法对采集终端传感器采集到的大量数据进行融合处理。该算法首先通过状态方程和节点观测方程推出状态一步预测值方程,其次将状态一步预测值方程与节点观测方程结合,便可得到系统状态最优估计值。最后通过预测值与测量值进行比较,并结合协方差的变化对状态估计值进行加权修正。仿真结果分析表明,利用卡尔曼滤波算法进行数据融合,能够得到更加平稳的数据值,精度也大大提高。
Claims (3)
1.一种基于卡尔曼滤波算法的农业大棚数据融合处理方法,农业大棚中设置有采集农作物生长环境参数的无线传感网络,无线传感网络由汇聚节点(3)、ZigBee协调器(4)、控制网关(5)以及多个传感器(1)组成,每个传感器连接有一个终端节点(2),传感器包括检测空气温湿度、土壤温湿度、二氧化碳浓度和光照强度的传感器,终端节点和汇聚节点形成ZigBee无线自组网,以便将获取的环境参数经ZigBee协调器传输至控制网关,控制网关实现上位机与无线传感网之间的协议转换并将获取的环境参数数据上传;其特征在于,所述数据融合处理方法通过以下步骤来实现:
a).数据采集和上传,终端节点将传感器采集的空气温度、空气湿度、二氧化碳浓度、土壤温度、土壤湿度和光照强度数据传输至汇聚节点,由汇聚节点经ZigBee协调器传输至控制网关,再由控制网关将环境参数上传至上位机;
b).建立状态方程,上位机建立如公式(1)所示的离散线性系统状态方程:
Xk=AXk-1+BUk+Wk (1)
式中,Xk为系统在k时刻的系统状态变量,Xk-1为k-1时刻的系统状态变量;Uk为k时刻的系统控制量,Wk为系统的过程噪声,A和B是系统参数;
c).建立节点观测方程,上位机建立如公式(2)所示的终端节点观测方程:
Zk=HXk+Vk (2)
式中,Zk是K时刻的测量值,H是测量系统的参数,Vk是系统的测量噪声;
d).建立时间和状态更新方程,上位机建立如公式(3)和公式(4)所示的卡尔曼滤波器的时间更新方程:
Pk,k-1=APk-1+Q (4)
式中,是状态Xk的一步预测值,是状态Xk-1的状态估计值,Pk,k-1是的Xk,k-1的协方差,Pk-1是状态Xk-1的协方差,Q是系统的过程噪声Wk和测量噪声Vk的协方差;
建立如公式(5)所示的卡尔曼滤波器的状态更新方程:
式中,是Xk的状态估计值,Kgk是卡尔曼增益,其通过公式(6)和公式(7)联合求取:
Kgk=Pk,k-1H/(HPk,k-1+R) (6)
Pk=(1-KgkH)Pk,k-1 (7)
其中,R为误差方差的平均值,Pk为状态Xk的方差;
e).进一步预测,根据系统的状态方程对一步预测值进行预测,则状态一步预测值为:
的协方差可以表示为:
式中,为对应的协方差;
f).获取最优估计值,将观测方程与状态一步预测值方程进行结合,得到k时刻的系统状态最优估计值Xk,k:
Xk,k=Xk,k-1+Kgk[Z(k)-HXk,k-1] (10)
g).测量值获取,上位机将接收的空气温湿度、土壤温湿度、二氧化碳浓度或光照强度数据,采用步骤b)至f)步骤获取当前时刻k的预测值,并比较预测值与测量值的大小,如果两者之差小于设定阈值,则采用测量值作为k时刻实际值;如果两者之差大于设定阈值,则采用预测值作为k时刻实际值,以避免系统误差、干扰信号对测量结果造成的不利影响。
2.根据权利要求1所述的基于卡尔曼滤波算法的农业大棚数据融合处理方法,其特征在于,为了使卡尔曼滤波算法可以不断运行迭代下去,在每次迭代过程中通过公式(11)更新当前k时刻下Xk,k的协方差Pk,k:
Pk,k=[I-KgkH]Pk,k-1 (11)
式中,I为单位矩阵,当系统进入下一时刻时,Pk,k便成为公式(9)中的Pk-1,k-1,这样卡尔曼滤波就可以不断的迭代下去了。
3.根据权利要求1或2所述的基于卡尔曼滤波算法的农业大棚数据融合处理方法,其特征在于:系统参数A和B均取为1,X0取0,P0取1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810405687.5A CN108616838A (zh) | 2018-04-29 | 2018-04-29 | 基于卡尔曼滤波算法的农业大棚数据融合处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810405687.5A CN108616838A (zh) | 2018-04-29 | 2018-04-29 | 基于卡尔曼滤波算法的农业大棚数据融合处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108616838A true CN108616838A (zh) | 2018-10-02 |
Family
ID=63661487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810405687.5A Pending CN108616838A (zh) | 2018-04-29 | 2018-04-29 | 基于卡尔曼滤波算法的农业大棚数据融合处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108616838A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292019A (zh) * | 2020-03-12 | 2020-06-16 | 中国农业大学 | 用于分析农业能源互联网安全的方法及装置 |
CN111539475A (zh) * | 2020-04-24 | 2020-08-14 | 广西电网有限责任公司电力科学研究院 | 一种基于卡尔曼滤波的多源温度数据融合方法 |
CN112185090A (zh) * | 2020-08-31 | 2021-01-05 | 江苏大学 | 一种基于NB-IoT的农业大棚远程监测系统及方法 |
CN112947635A (zh) * | 2021-01-15 | 2021-06-11 | 江南大学 | 基于卡尔曼滤波器多模型麦苗生长舱最优参数预测方法 |
CN113639793A (zh) * | 2021-08-03 | 2021-11-12 | 吉林大学 | 一种基于边缘计算的环境监测方法及系统 |
CN113660286A (zh) * | 2021-09-03 | 2021-11-16 | 南方电网数字电网研究院有限公司 | 结合卡尔曼滤波数据融合的通信协议融合方法及相关设备 |
CN114818888A (zh) * | 2022-04-13 | 2022-07-29 | 合肥工业大学 | 基于多通道卡尔曼滤波的土壤成分数据融合方法和系统 |
CN116760908A (zh) * | 2023-08-18 | 2023-09-15 | 浙江大学山东(临沂)现代农业研究院 | 基于数字孪生的农业信息优化管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103152695A (zh) * | 2013-02-04 | 2013-06-12 | 太原理工大学 | 基于td-scdma系统的井下人员精确定位方法 |
EP2716117A1 (en) * | 2011-06-27 | 2014-04-09 | Google, Inc. | Gps and mems hybrid location-detection architecture |
CN103885076A (zh) * | 2014-03-06 | 2014-06-25 | 华南农业大学 | 基于gps的农业机械导航的多传感器信息融合方法 |
CN106709250A (zh) * | 2016-12-22 | 2017-05-24 | 河海大学 | 一种基于并行Kalman算法的数据流异常检测方法 |
CN107223275A (zh) * | 2016-11-14 | 2017-09-29 | 深圳市大疆创新科技有限公司 | 多路传感数据融合的方法和系统 |
-
2018
- 2018-04-29 CN CN201810405687.5A patent/CN108616838A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2716117A1 (en) * | 2011-06-27 | 2014-04-09 | Google, Inc. | Gps and mems hybrid location-detection architecture |
CN103152695A (zh) * | 2013-02-04 | 2013-06-12 | 太原理工大学 | 基于td-scdma系统的井下人员精确定位方法 |
CN103885076A (zh) * | 2014-03-06 | 2014-06-25 | 华南农业大学 | 基于gps的农业机械导航的多传感器信息融合方法 |
CN107223275A (zh) * | 2016-11-14 | 2017-09-29 | 深圳市大疆创新科技有限公司 | 多路传感数据融合的方法和系统 |
CN106709250A (zh) * | 2016-12-22 | 2017-05-24 | 河海大学 | 一种基于并行Kalman算法的数据流异常检测方法 |
Non-Patent Citations (2)
Title |
---|
王振 等: "一种基于数据预处理和卡尔曼滤波的温室监测数据融合算法", 《传感技术学报》 * |
王静: "无线传感器网络温室监测系统的设计及数据融合算法的研究", 《中国优秀硕士学位论文全文数据库(电子期刊) 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292019A (zh) * | 2020-03-12 | 2020-06-16 | 中国农业大学 | 用于分析农业能源互联网安全的方法及装置 |
CN111292019B (zh) * | 2020-03-12 | 2022-07-29 | 中国农业大学 | 用于分析农业能源互联网安全的方法及装置 |
CN111539475A (zh) * | 2020-04-24 | 2020-08-14 | 广西电网有限责任公司电力科学研究院 | 一种基于卡尔曼滤波的多源温度数据融合方法 |
CN112185090A (zh) * | 2020-08-31 | 2021-01-05 | 江苏大学 | 一种基于NB-IoT的农业大棚远程监测系统及方法 |
CN112947635A (zh) * | 2021-01-15 | 2021-06-11 | 江南大学 | 基于卡尔曼滤波器多模型麦苗生长舱最优参数预测方法 |
CN112947635B (zh) * | 2021-01-15 | 2022-04-29 | 江南大学 | 基于卡尔曼滤波器多模型麦苗生长舱最优参数预测方法 |
CN113639793A (zh) * | 2021-08-03 | 2021-11-12 | 吉林大学 | 一种基于边缘计算的环境监测方法及系统 |
CN113660286A (zh) * | 2021-09-03 | 2021-11-16 | 南方电网数字电网研究院有限公司 | 结合卡尔曼滤波数据融合的通信协议融合方法及相关设备 |
CN114818888A (zh) * | 2022-04-13 | 2022-07-29 | 合肥工业大学 | 基于多通道卡尔曼滤波的土壤成分数据融合方法和系统 |
CN116760908A (zh) * | 2023-08-18 | 2023-09-15 | 浙江大学山东(临沂)现代农业研究院 | 基于数字孪生的农业信息优化管理方法及系统 |
CN116760908B (zh) * | 2023-08-18 | 2023-11-10 | 浙江大学山东(临沂)现代农业研究院 | 基于数字孪生的农业信息优化管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108616838A (zh) | 基于卡尔曼滤波算法的农业大棚数据融合处理方法 | |
CN111654874B (zh) | 一种无线传感网异常检测方法 | |
Kaneda et al. | Multi-modal sliding window-based support vector regression for predicting plant water stress | |
CN111263920A (zh) | 用于控制作物的生长环境的系统和方法 | |
CN110109193B (zh) | 一种基于drnn神经网络的茄子温室温度智能化检测装置 | |
CN110119766B (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
Ruß et al. | Data mining with neural networks for wheat yield prediction | |
CN107390754B (zh) | 基于物联网云平台的智能植物生长环境调节系统与方法 | |
CN110119086B (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
CN114818888B (zh) | 基于多通道卡尔曼滤波的土壤成分数据融合方法和系统 | |
CN106131770A (zh) | 一种针对温室环境的无线传感器网络的数据融合方法 | |
CN110083096A (zh) | 一种粮仓智能监测方法 | |
Aygün et al. | Sensor fusion for IoT-based intelligent agriculture system | |
Rehman et al. | Machine learning prediction analysis using IoT for smart farming | |
CN108600307A (zh) | 一种农业物联异构型网络互联互通方法 | |
CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
Velliangiri et al. | Using MLPA for smart mushroom farm monitoring system based on IoT | |
CN114092776A (zh) | 应用于智慧农业的多传感器数据融合方法 | |
Martinez et al. | Predictive modelling in grape berry weight during maturation process: comparison of data mining, statistical and artificial intelligence techniques | |
Bhasha et al. | Automated crop yield prediction system using machine learning algorithm | |
CN116403048B (zh) | 一种基于多模态数据融合的农作物生长估计模型构建方法 | |
Abdulla et al. | Agriculture based on Internet of Things and Deep Learning | |
Ahuja et al. | A synthesis of current parameterization approaches and needs for further improvements | |
Vasanthi | Crop growth monitoring and leaf area index estimation using wireless sensor network and CNN | |
JP7452879B2 (ja) | 予測システム、予測方法、および予測プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181002 |